Robust automatic brain vessel segmentation in 3D CTA scans using dynamic 4D-CTA data

技术摘要：利用动态 4D-CTA 数据实现 3D CTA 扫描中鲁棒的自动脑血管分割

问题陈述
颅内计算机断层扫描血管造影（CTA）是检测血管异常的关键诊断工具。虽然动态 4D-CTA 提供了详细的时间维度血管信息，但主要的临床方案仍为单相 CTA。由于背景骨骼和软组织的存在，以及在没有大量后处理的情况下难以区分动脉与静脉，从单相扫描中稳健地提取脑血管系综具有挑战性。此外，现有的深度学习血管分割方法面临显著局限：

• 数据稀缺性： 高质量、细粒度的标注数据集非常罕见。现有数据集（如 TopCoW）主要关注威利斯环（Circle of Willis, CoW）动脉，忽略了与脑血管疾病管理相关的更广泛血管区域。
• 标注负担： 手动标注 CTA 图像需要专业的解剖学知识，且极其耗时，尤其是在分离动脉和静脉方面。
• 泛化能力： 在有限模态或单一对比剂相位上训练的模型，往往难以在不同对比剂相位间实现泛化，或无法准确捕捉动脉和静脉结构。

方法论
作者提出了一种名为 DynaVessel 的新型流水线，通过利用动态 4D-CTA 数据来构建鲁棒的训练数据集并提升分割性能。该方法由三个主要阶段组成：

1. 数据获取与预处理：

   • 动态 CTA： 使用 320 层探测器 CT 扫描仪采集图像，在对比剂注射后 60 秒内捕获 19 个时间点的图像。
   • 骨骼/软组织减影： 扫描仪利用基线图像（在对比剂到达大脑前采集）对后续图像进行骨骼和软组织减影，从而增强血管可视化效果。
   • 血管分离： 一种自定义算法（算法 1）通过刚性变换对动脉期和静脉期图像进行对齐。随后，通过比较两个相位之间的体素强度，抑制动脉期中的静脉结构以及静脉期中的动脉结构。这使得每个患者产生两个截然不同的体积：骨骼和静脉被抑制的动脉体积（$S^*_a$）以及骨骼和动脉被抑制的静脉体积（$S^*_v$）。
   • ROI 提取： 应用颅骨和颈部的二值掩模以抑制颅外组织，并将图像重采样为 0.468 mm 的等向分辨率。

2. 地面真值（GT）标注：

   • 分离后的血管体积使用 iCafe 特征提取流水线进行处理。这包括强度归一化、阈值处理（使用 Phansalkar 进行追踪，使用 Renyi 熵进行可视化）以及一种开曲线主动轮廓模型（open-curve active contour model）来追踪类血管结构。
   • 人工验证： 由神经放射科医生手动验证追踪结果，移除颅骨外的伪影结构，并修正解剖学变异。对于静脉，需手动精修远端分支以确保准确性。
   • 数据集构建： 最终的 DynaVessel 数据集包含来自 43 名患者的 275 幅头颅 CTA 扫描图像。训练集包含来自 29 名患者的 110 幅图像，而测试集包含来自 14 名患者的 165 幅图像。至关重要的是，训练数据将多个对比剂相位（每位患者 3–19 个体积）与同一组 GT 标注配对，从而将数据集有效地扩大了 4–5 倍，并增强了对对比剂变化性的鲁棒性。

3. 模型训练与评估：

   • 架构： 在 DynaVessel 数据集上训练一个 nnUNet（残差编码器 UNet）模型。
   • 评估指标： 使用改进的 Dice 系数（mDC）、平均定向豪斯多夫距离（adHD）和拓扑敏感度（tSens）来评估性能。评估涵盖二值血管分割、动脉 vs 静脉分割，以及针对 20 个特定动脉区域和 6 个静脉解剖区域的语义分割。
   • 基准模型： 将提出的模型（$M_{DV}$）与在 TopCoW、VesselVerse 和基础模型 VesselFM 上训练的模型进行对比。

核心贡献

1. 标注流水线： 作者记录了利用动态 4D-CTA 数据标注头颅 CTA 动脉和静脉的流程，通过利用减影技术和自动化追踪，显著降低了标注时间。
2. DynaVessel 数据集： 展示了 DynaVessel 数据集，该数据集包含 275 幅具有细粒度动脉和静脉标注的扫描图像，覆盖了广泛的对比剂相位和解剖区域（包括远端动脉和静脉窦）。
3. 性能基准测试： 通过将基于 DynaVessel 训练的模型与最先进的基准模型进行对比，证明了其在动脉和静脉领域均具有卓越的分割性能。

结果
在所有血管区域和数据集上，基于 DynaVessel 训练的模型（$M_{DV}$）表现显著优于基于 TopCoW、VesselVerse 或 VesselFM 训练的模型：

• TopBrain 数据集： $M_{DV}$ 在动脉上的平均 mDC 达到 0.846，在静脉上达到 0.957。相比之下，表现最好的基准模型（VesselVerse）在动脉上仅为 0.455，在静脉上仅为 0.031。
• 误差范围： 该模型展现出较低的误差边缘，动脉的 adHD 为 0.304 mm，静脉为 0.078 mm，且具有较高的拓扑敏感度（tSens），分别为 0.877（动脉） 和 0.974（静脉）。
• 鲁棒性： 虽然性能随对比剂相位自然变化（例如，在预对比剂相位表现较低），但基于多相位数据的训练显著提高了模型相对于仅在单峰值相位训练模型的泛化能力。消融实验证实，在单相位上训练会严重削弱模型对未见相位的泛化能力。
• 定性分析： 可视化结果显示，$M_{DV}$ 实现了对动脉和静脉结构的近乎完整的覆盖，极少出现假阴性；而基准模型则未能检测到大部分静脉，或产生了大量的伪影分割。

意义
论文声称，这项工作是实现 CTA 扫描中所有脑血管结构自动分割的重要一步。通过利用动态 4D-CTA 数据，作者克服了区分颅内动脉与静脉的长期难题，并减轻了标注的繁重工作。所得数据集和模型可作为评估脑血管病理（如闭塞定位和动脉瘤检测）的主要或辅助输入，具有广泛的应用前景。作者指出，虽然目前的细粒度语义评估属于上限近似，但该方法论为未来扩展标注和开发复杂语义分割任务的架构奠定了基础。